분류 전체보기302 [2025-1] 전윤경-U-Net: Convolutional Networks for BiomedicalImage Segmentation 0. Abstract 제한된 주석 데이터 샘플을 보다 효율적으로 활용하기 위해 데이터 증강을 활용하는 네트워크와 학습 전략을 제안수축 경로(contracting path): context을 캡처확장 경로(expanding path): 정확한 위치 추정을 가능=> 소량의 이미지로 end-to-end 학습 가능 1. Introduction전통적 컨볼루션 네트워크는 단일 클래스 레이블을 출력하여 위치 정보를 포함하지 못함.Ciresan et al.: 슬라이딩 윈도우 방식으로 각 픽셀 주변의 지역(패치)을 입력으로 픽셀의 클래스 레이블을 예측장점:위치 추정,패치 개수가 학습이미지 개수보다 만항 데이터 상대적 증가단점:속도: 네트워크가 각 패치마다 개별적으로 실행, 중첩되는 패치위치 정확도와 맥락 정보 활용의.. 2025. 1. 10. [2025-1] 정유림 - NV-Embed : Improved Techniques for Training Decoder Models for General Text Embeddings 논문 개요논문 제목: NV-Embed: Improved Techniques for Training Decoder Models for General Text Embeddings게재 연도: 2024년인용 횟수: 2025.01.10 기준 54회 인용주요 성과:디코더 모델의 representation 성능 한계 극복(Decoder 기반 text embedding model)MTEB leader board에서 SOTA 달성(2024.05.22 기준 MTEB 결과 SOTA)DOI: https://doi.org/10.48550/arXiv.2405.174282. 연구 배경Decoder model의 한계:기존 디코더 기반 모델은 단방향(Unidirectional) Attention을 사용하여 Representation .. 2025. 1. 10. [2025-1] 이재호 - Denoising Diffusion Implicit Model https://arxiv.org/abs/2010.02502 Denoising Diffusion Implicit ModelsDenoising diffusion probabilistic models (DDPMs) have achieved high quality image generation without adversarial training, yet they require simulating a Markov chain for many steps to produce a sample. To accelerate sampling, we present denoising diffusionarxiv.org Denoising Diffusion Implicit Models(DDIM)은 Jiaming Song, Chenlin.. 2025. 1. 9. [2025-1] 김유현 - Conditional Generative Adversarial Nets https://arxiv.org/abs/1411.1784 Conditional Generative Adversarial NetsGenerative Adversarial Nets [8] were recently introduced as a novel way to train generative models. In this work we introduce the conditional version of generative adversarial nets, which can be constructed by simply feeding the data, y, we wish to conditiarxiv.org 0. AbstractGenerative Adversarial Nets의 조건을 추가한 conditional 버.. 2025. 1. 9. 이전 1 ··· 42 43 44 45 46 47 48 ··· 76 다음
